Surveillance basée sur les conditions | CBM

Question

L'apprentissage automatique (ML) peut faire deux choses à partir du signal vibratoire/acoustique pour la surveillance basée sur les conditions (CBM): 1. Extraction de caractéristiques (FT) et 2. Cependant, si nous regardons à travers la recherche/le processus, alors pourquoi les techniques de traitement du signal sont-elles utilisées pour le pré-traitement et le ML pour le reste de la pièce? Je veux dire la classification? Nous pouvons utiliser uniquement ML pour tous ces éléments. Mais j'ai vu le modèle de fusion des deux techniques: approche conventionnelle de traitement du signal et ML.

Je veux connaître la raison spécifique pour cela. Pourquoi les chercheurs utilisent-ils ces deux éléments? ils pourraient faire avec ML seulement; mais ils utilisent les deux.

Answer 1

Oui, vous pouvez le faire. Cependant, la tâche devient plus compliquée. FFT transforme par exemple l'espace d'entrée en une représentation plus significative. Si vous avez un équipement rotatif, vous vous attendez à ce que le spectre soit principalement sur la fréquence de rotation. Cependant, s'il y a un problème, le spectre change. Cela peut souvent être détecté par exemple par SVMS.

Si vous ne faites pas la FFT mais que vous donnez seulement le signal brut, les SVM ont de la difficulté. Néanmoins, j'ai vu des exemples pratiques récents utilisant des réseaux convolutionnels profonds qui ont appris à prédire des problèmes sur des données brutes de vibration. L'inconvénient est, cependant, que vous avez besoin de plus de données. Plus de données ne sont pas un problème en général, mais si vous prenez par exemple une éolienne plus de données d'échec est évidemment - ou j'espère -; - un problème. L'autre chose est que le ConvNet a appris la FFT tout seul. Mais pourquoi ne pas utiliser les connaissances préalables si vous avez cela .....